2. La réforme des retraites à l’Assemblée Nationale#

2.1. Introduction#

Si le gouvernement a utilisé l’article 49.3, la loi a toute fois était débattu en première lecture à l’assemblée nationale du 6 février au 17 février. Depuis 2017, il est possible d’avoir accès sur le site de l’assemblée national au retranscription des séances publiques de l’Assemblée Nationale. A ce jour, il n’existe pas de solutions pour télécharger ces transcriptions dans un (ou plusieurs) fichiers de données (csv, xlsx, etc…). Une des possibilités est d’utiliser le web-scrapping qui consiste à extraire des informations directement du code HTML d’une page web. Ici, ces pages webs correspondront aux transcriptions de chaque séances. Le script Python pour scrapper le site de l’assemblée nationale est disponible ici.

2.2. Chargement des données#

Pour commencer, nous chargeons plusieurs modules/librairies permettant de charger les données et produire les différentes visualisations.

import pandas as pd
import plotly.express as px
from lib.figures import *
from lib.constant import *
from lib.utils import *
from bokeh.io import output_notebook
from bokeh.models import TabPanel, Tabs
output_notebook(hide_banner=True)

Une fois le chargement des modules effectués, nous chargons les données dans la dataframe (ou table de données) parlement_df.

parlement_df = pd.read_parquet('data/parlement_retraite_data.parquet_v2')
parlement_df = parlement_df[~(parlement_df.groupe_sigle == "UNKNOWN")]
parlement_df["is_keywords_label"] = parlement_df.is_keywords.apply(lambda x: "Oui" if x else "Non")
parlement_df["len_intervention"] = parlement_df.full_text.str.split(" ").apply(len)
parlement_df.head()
legislature date numero_seance nom_president_e id_president_e section subsection full_text timestamp speaker_name username groupe_sigle lemmatization keywords_detected is_keywords is_keywords_label len_intervention
87 16 2023-02-06 131 Présidence de Mme Yaël Braun-Pivet 2998142 Projet de loi de financement rectificative de ... L’ordre du jour appelle la discussion du proje... 2166.84 Mme la présidente yael-braun-pivet REN l’ ordre de jour appeler le discussion de proj... [loi, sécurité social, financement, social, lo... True Oui 35
88 16 2023-02-06 131 Présidence de Mme Yaël Braun-Pivet 2998142 Projet de loi de financement rectificative de ... Non, pas question ! 2173.41 Mme Danièle Obono daniele-obono LFI non , pas question   ! [] False Non 3
89 16 2023-02-06 131 Présidence de Mme Yaël Braun-Pivet 2998142 Projet de loi de financement rectificative de ... Non, ça ne va pas se passer comme ça ! Vous n’... 2173.59 M. Louis Boyard louis-boyard LFI non , cela ne aller pas se passer comme cela  ... [] False Non 14
90 16 2023-02-06 131 Présidence de Mme Yaël Braun-Pivet 2998142 Projet de loi de financement rectificative de ... Présentation La parole est à M. le ministre du travail, du ... 2174.35 Mme la présidente yael-braun-pivet REN le parole être à m.   le ministre de travail ,... [travail, plein emploi, loi] True Oui 61
91 16 2023-02-06 131 Présidence de Mme Yaël Braun-Pivet 2998142 Projet de loi de financement rectificative de ... Présentation Suspension ! La suspension est de droit ! 2179.38 M. André Chassaigne andre-chassaigne GDR suspension   ! le suspension être de droit   ! [] False Non 6
for gp in parlement_df.groupe_sigle.unique():
    print(" *",gp)
 * REN
 * LFI
 * GDR
 * GOV
 * LR
 * SOC
 * MODEM
 * RN
 * ECO
 * LIOT
 * HOR
 * NI

2.3. Analyse descriptive#

Pour commencer, nous proposons une analyse générale des données à notre disposition. Tout d’abord, le corpus est composée 22652 interventions. Les groupes parlementaires présents dans le corpus sont les suivants:

  • REN : Rennaissance

  • LFI : La France Insoumise

  • GDR : Groupe de la gauche Démocrate et Républicaine

  • GOV : Gouvernement

  • LR : Les Républicains

  • SOC : Groupe Socialiste et apparentés

  • MODEM : MOuvement DEMocrate

  • RN : Rassemblement Nationale

  • ECO : Groupe Écologiste

  • LIOT : Libertés, indépendants, outre-mer et territoires

  • HOR : Horizon

  • NI : Non-Inscrit

Dans la Figure suivante, nous présentons le nombre d’interventions effectuées pour chaque groupe parlementaire. En premier lieu, nous pouvons observer que les parlementaires les plus loquaces proviennent de Renaissance (REN) et de la France Insoumise (LFI). Le groupe LIOT, dont les représentants ont bousculé l’opinion publique, n’ont que très peu participés.

Hide code cell source
intervention_frequency_per_group(parlement_df)

Toutefois, si l’on change de métrique, et que l’on s’intéresse plutôt à la longueur moyenne des prise de paroles des députés, nous pouvons observés une autre tendance. En effet, les groupes minoritaires comme LIOT et les non-inscrits, malgré une faible frèquence d’interventions, prononce des discours plus long que les autres groupes. Cela peut s’expliquer par la répartition du temps législatif à l’assemblée nationale 1. En effet, les groupes parlementaires doivent se répartir le temps de paroles.

[…]chaque groupe dispose d’un temps minimum : 60% du temps aux groupes d’opposition réparti entre eux en fonction de leur importance numérique, et à 40% aux autres groupes et réparti entre eux selon la même règle ;[…]

Qu’est-ce que le temps législatif programmé ? - vie-publique.fr - 7 juillet 2018

Hide code cell source
average_number_of_words_per_intervention(parlement_df)

2.4. Analyse des mots-clés#

2.4.1. Quels mots-clés ?#

Les mots clés sont identifiés parmi différentes extractions automatiques. La première est en utilisant l’outil Biotex2 qui extrait des mots-clés à l’aide de motifs syntaxiques identifiées dans des corpus. La seconde correspond à une extraction de n-grammes, ou séquences de mots, qui se répètent fréquemment. En s’appuyant sur les différentes extractions, nous avons conservée une liste de 690 mots-clés présentés dans la Table ci-dessous.

keyword_df = pd.read_excel("data/keywords_selected.ods",index_col=0)[["term"]]
datatable_from_pandas(keyword_df)

2.4.2. Proportion des interventions contenant des mots-clés#

Premièrement, nous regardons la proportion d’intervention contenant des mots-clés pour chaque groupe parlementaire. Nous pouvons observer qu’un majorité de groupes parlementaires excepté LFI, LIOT, NI et GOV, possède au moins 50% d’interventions qui ne contienne pas de mots-clés.

Hide code cell source
fig_parl = px.histogram(parlement_df,
                        x="groupe_sigle",
                        pattern_shape="is_keywords_label",
                        labels={"count":"","groupe_sigle":"Groupe Politique","is_keywords_label":"Présence de mots-clés"},
                        color_discrete_map=gp_politique_color, color="groupe_sigle")
fig_parl.update_layout(yaxis_title="# Interventions")

Dans ces interventions sans mot-clés (Table ci-dessous), on retrouve une grande majorité d’interpellations, d’apostrophes mais aussi d’interventions d’ordre procédurale (gouvernement) pour donner la parole, rappeller à l’ordre, etc.

Hide code cell source
non_kwords_df = parlement_df[~(parlement_df.is_keywords)]
datatable_from_pandas(non_kwords_df.iloc[:,:10])

2.4.3. Distribution des mots-clés par groupe parlementaire#

df = getCountDataframe(parlement_df,top_n=10)

tab1 = TabPanel(child=occurrenceDistributionPerGroupePolitique(df[df.num_words == 1]), title="1 mot")
tab2 = TabPanel(child=occurrenceDistributionPerGroupePolitique(df[df.num_words == 2]), title="2 mots")
tab3 = TabPanel(child=occurrenceDistributionPerGroupePolitique(df[df.num_words == 3]), title="3 mots")

show(Tabs(tabs=[tab1, tab2,tab3],sizing_mode ="stretch_width"))

2.4.4. Distribution des mots-clés par orientation politique#

Hide code cell source
pd.DataFrame(list(droite_ou_gauche_centre.items()),columns="Groupe Parlementaire,Orientation".split(","))
Groupe Parlementaire Orientation
0 GOV centre
1 SER gauche
2 LFI gauche
3 GDR gauche
4 ECO gauche
5 NI aucun
6 UDI droite
7 LREM centre
8 MODEM centre
9 LIOT droite
10 RN droite
11 LR droite
12 SOC gauche
13 HOR centre
14 AE droite
15 LT droite
16 REN centre
17 RRDP gauche
from bokeh.models import TabPanel, Tabs

df = getCountDataframe(parlement_df,top_n=10)

tab1 = TabPanel(child=occurrenceDistributionPerPolitiqueOrientation(df[df.num_words == 1]), title="1 mot")
tab2 = TabPanel(child=occurrenceDistributionPerPolitiqueOrientation(df[df.num_words == 2]), title="2 mots")
tab3 = TabPanel(child=occurrenceDistributionPerPolitiqueOrientation(df[df.num_words == 3]), title="3 mots")

show(Tabs(tabs=[tab1, tab2,tab3],sizing_mode ="stretch_width"))

1

Qu’est-ce que le temps législatif programmé ? - vie-publique.fr - 7 juillet 2018

2

Juan Antonio Lossio-Ventura, Clement Jonquet, Mathieu Roche, Maguelonne Teisseire. BIOTEX: A system for Biomedical Terminology Extraction, Ranking, and Validation. ISWC: International Semantic Web Conference, Oct 2014, Riva del Garda, Italy. pp.157-160. Version Python